EV充電誘導、新たな知能戦略が登場
電気自動車（EV）の普及が加速する中、そのインフラの最適化が新たな課題として浮上している。ユーザーはしばしば、充電ステーションの混雑や、最適な場所を見つける手間からストレスを感じており、一方でステーション事業者も、需要の偏りによる設備の空き時間や収益の損失に直面している。この課題に対し、北京交通大学の研究チームが、ユーザーと事業者の両方の満足度を最大化する画期的な充電誘導戦略を開発し、大きな注目を集めている。
この研究の主導者であるスー・スー教授率いるチームは、都市の交通網と充電インフラを統合的に最適化するための新しいアプローチを提案した。その核心は、「動的ハフモデル」と「二面マッチング理論」の融合にある。この戦略は、単にユーザーを最寄りの空きステーションに導くのではなく、ユーザーの個々のニーズとステーションの運営効率を両立させる、より高度なインテリジェンスを備えている。
本研究の大きな特徴は、実際のデータに基づいた分析にある。研究チームは、中国・成都の都市部に設置された多数の公共急速充電ステーションから、膨大なリアルタイムのデータを収集した。これには、各ステーションの空き状況、ユーザーの充電リクエスト、充電時間、料金、さらにはユーザーによる評価（評点）など、多岐にわたる情報が含まれている。このデータを深く掘り下げることで、ユーザーが充電ステーションを選ぶ際に重視する要素を定量的に明らかにした。
分析の結果、ユーザーの選択には明確な傾向があることが分かった。まず、価格に対する感度が非常に高い。充電行為の約75%が、料金帯が最も安い50%のステーションで発生している。また、駐車料金も大きな要因で、86%の充電が駐車料金が無料のステーションで行われている。これは、ユーザーが「充電コスト」だけでなく、「駐車コスト」を含めたトータルコストに非常に敏感であることを示している。さらに、サービスの質も無視できない。約82%のユーザーが、評点が4以上（5点満点）の高評価ステーションを選んでいる。このように、ユーザーは「価格」「利便性」「サービスの質」という複数の価値観のバランスを取って、最適な選択をしているのである。
この洞察をもとに、研究チームは「動的ハフモデル」を構築した。これはもともと小売業で、顧客がどの店舗を選ぶかを予測するための地理空間モデルである。研究チームはこれをEVの世界に応用し、各ステーションの「魅力度（アトラクティビティ）」を、その規模、料金、駐車料金、評点の4つの要素から動的に計算する。この「魅力度」は、時間の経過や他のユーザーの行動によって常に変化する。例えば、あるステーションが混雑して空きが少なくなれば、その「魅力度」は下がる。逆に、料金が一時的に安くなれば、上昇する。この動的な評価が、従来の静的なナビゲーションとは一線を画す点である。
しかし、魅力度が高いからといって、ユーザーが必ずしもそこを選ぶわけではない。そのステーションまでの「移動時間」も大きなウェイトを占める。研究チームは、ユーザーの現在地から各ステーションまでの移動時間を、道路の渋滞状況や、ステーション敷地内での駐車・充電ポイント発見にかかる時間まで含めて精密に計算している。そして、「動的ハフモデル」は、この「魅力度」と「移動時間」という二つの要素を掛け合わせ、ユーザーが特定のステーションを選ぶ確率をリアルタイムで算出する。これにより、ユーザーの位置に応じた、数十の候補ステーションの「おすすめリスト」が生成される。
この「おすすめリスト」だけでも非常に有効だが、研究チームはさらに一歩進んで、「二面マッチング理論」を適用した。これは、結婚相談所や医学生の病院配属などで使われる理論で、双方が満足する最適な「ペア」を作り出すことを目的とする。EVの世界では、ユーザー（求職者）と充電ステーション（雇用者）が、それぞれの「満足度」を最大化するようにマッチングを行う。
ここで鍵となるのが「プロスペクト理論」の導入である。これは、人間がリスクをどのように評価するかを説明する行動経済学の理論で、「損失を避けること」を「利益を得ること」よりも強く感じるという「損失回避性」が特徴だ。例えば、ユーザーは「安いステーションまで少し遠回りする」という「損失（時間の浪費）」を避けようとするが、同時に「高い料金を払う」という「損失（金銭的損失）」も避けたい。この心理的価値を計算式に組み込むことで、ユーザーの「主観的な満足度」をより正確に予測できる。
最終的なマッチングプロセスは、このように進行する。まず、ユーザーの「おすすめリスト」が作られる。次に、ユーザーの心理（プロスペクト理論）を考慮し、そのリスト内の各ステーションに対してユーザーが感じる「価値」を計算する。同時に、各ステーション側も、そのユーザーを受け入れることで得られる「価値」（収益、設備稼働率の向上など）を計算する。そして、ユーザーとステーションの「双方の満足度の合計」が最も高くなるような組み合わせを、アルゴリズムが瞬時に見つける。これにより、ユーザーは自分のニーズに最も合ったステーションに誘導され、ステーション側も効率的に収益を上げることができる。
この戦略の有効性は、成都の都市部を対象とした大規模なシミュレーションで実証された。研究チームは、155の主要道路ノードと101の急速充電ステーションを含む複雑なネットワークをモデル化し、1日1万1500台のEVが充電を求めるシナリオを再現した。その結果は驚くべきものだった。
まず、ユーザーの「待ち時間発生確率」は、従来の「最寄りの空きステーションを探す」戦略に比べて、劇的に低下した。シミュレーション上では、待ち時間が完全にゼロになった。これは、ユーザーが事前に最適なステーションに誘導され、その充電ポイントが確保されているためだ。次に、ユーザーの「総充電コスト」も大幅に削減された。平均で1台あたり24.28元（約500円）となり、従来の31.54元から約23%の削減となった。これは、安価なステーションへの誘導が成功したことを意味する。さらに、ユーザーが利用するステーションの平均評点も、4.14から4.62と、大きく向上した。ユーザーは、より高品質なサービスを受けることができたのである。
一方、ステーション事業者の視点でも大きなメリットがある。ステーションの「時間稼働率」は向上し、特に「1時間あたりの収益」は、9896元から11327元へと、約14%の増加を記録した。これは、需要が分散され、混雑と空きが同時に発生する非効率な状態が解消されたためだ。設備がより均等に、かつ効率的に稼働するようになったのである。
さらに興味深いのは、ユーザーの個性に応じた最適化が可能だということだ。研究チームは、ユーザーを「時間重視型」「価格重視型」「サービス重視型」の3つのタイプに分類した。シミュレーションの結果、このシステムはそれぞれのタイプに最適な誘導を行った。時間重視型のユーザーは、移動時間が最短になるステーションに誘導され、価格重視型のユーザーは、最も料金が安いステーションに誘導された。このように、画一的な誘導ではなく、個々の価値観に応じたパーソナライズドなサービスを提供できる点が、この戦略の真の強みである。
技術的な面でも、この戦略は優れている。1回の充電リクエストに対する誘導処理時間は、わずか0.5ミリ秒以下と、極めて高速である。これは、都市全体の数千台のEVが同時にリクエストを出すようなリアルタイム環境でも、問題なく対応できる性能を意味している。また、アルゴリズムの計算量が、候補リストの長さに比例するため、大規模な都市ネットワークにも容易にスケールアウトできる。
この研究は、EVの普及に伴うインフラの課題を、単に設備を増やすという発想を超えて、ソフトウェアとデータの力で解決しようとする画期的な取り組みである。単なるナビゲーションではなく、都市の交通流、エネルギー消費、ユーザーの心理までを統合的に最適化する「スマートモビリティ」の未来を示している。今後、この技術がナビゲーションアプリやEVメーカーの純正サービスに組み込まれれば、ユーザーはストレスフリーで、より経済的かつ快適なEVライフを送ることができるだろう。そして、ステーション事業者も安定した収益を得ることで、さらなるインフラ投資を促進し、EV社会の持続可能な発展を後押しする。
スー・スー、ワン・ジェンシャン、ワン・レイ、リー・ユージン、ニエ・シャオボー、シアン・ウェンシュウ、北京交通大学電気工学部；Automation of Electric Power Systems、DOI：10.7500/AEPS20230731008